A lógica fuzzy ou lógica nebulosa se baseia no modo como o cérebro humano tende a raciocinar ao não assumir durante tomadas de decisões valores absolutos como “completamente verdadeiro” ou “completamente falso”. Na lógica fuzzy, as variáveis de entrada são discriminadas dentro de conjuntos fuzzy a partir de graus de pertinências que variam de 0 a 1, sendo 1 o maior grau de pertinência/de verdade e 0 o menor, dessa forma não se assumindo valores absolutos durante a tomada de decisão. Tomando como base o exemplo a seguir, a discriminação das entradas funciona da seguinte forma: duas pessoas, uma com 1,40 metros e outra com 1,35 metros podem ser classificadas como baixas, porém a de 1,40 metros teria um grau de pertinência maior dentro do conjunto de pessoas baixas ao ser comparada com a pessoa de 1,35 metros. A Figura 15 demonstra vários conjuntos fuzzy e seus respectivos graus de pertinências.
Figura 15 - Funções pertinência e seus graus de pertinência
Fonte:(BEZERRA DE SOUSA, 2014).
A Figura 15 é referente a um exemplo bastante difundido na literatura, no qual a lógica
fuzzy, a partir de uma variável de entrada, deve tomar a decisão se a temperatura ambiente se
encontra dentro de algum dos conjuntos fuzzy demonstrados, que são: frio, conforto, relativamente quente e quente. O formato da onda, chamado de função pertinência de cada conjunto fuzzy, é escolhido de forma empírica. A representação dos conjuntos fuzzy presentes na Figura 15 é mais comumente ilustrado como segue na Figura 16.
Figura 16 - Funções pertinências
Assim, é possível notar pela Figura 16, que há uma área de intersecção entre certos conjuntos fuzzy, aqui chamado de limite difuso (ou área nebulosa), que representa a incerteza de uma situação. O maior atrativo da lógica fuzzy é a sua capacidade de interpretar tal incerteza e tomar uma decisão apropriada.
3.2.1 Estrutura Básica de um Sistema Fuzzy
A estrutura básica de um sistema de inferência fuzzy é representado pela Figura 17. Figura 17 - Estrutura básica sistema fuzzy
Fonte: Próprio autor.
O sistema de inferência fuzzy típico é composto por:
Fuzificador: Responsável por transformar cada variável de entrada em valores entre 0 a 1, se baseando nas funções pertinências.
Base de regras: Se trata de um conjunto de regras do tipo SE-ENTÃO que são criadas pelos especialistas a modo de resolver as situações que representam incertezas.
Inferência: Se trata do mecanismo responsável por aplicar as regras determinas na base de regras e gerar uma saída. Há dois tipos de inferência: Mamdani e Takagi- Sugeno.
Defuzificador: Etapa em que os valores de entrada que foram convertidos durante a fuzificação são convertidos de volta aos seus valores originais.
Sistema de inferência fuzzy
Base de regras Fuzzificador
Inferência
Defuzzificador Entrada não
3.2.2 Sistema de Inferência Mamdani
O sistema de inferência Mamdani foi um dos primeiros sistemas de inferências fuzzy a ser criado. Neste trabalho é utilizado o sistema de inferência Mamdani. A regra de semântica responsável por aplicar as regras que o sistema Mamdami utiliza é chamada de inferências Máx- Mín, ao qual utiliza operação de união e interseção entre conjuntos fuzzy para classificar uma determinada variável de entrada.
De forma geral, um sistema de inferência fuzzy é composto por “n” regras do tipo SE 𝑥1 = 𝐴1 E 𝑥2 = 𝐴2 E ... 𝑥𝑗 = 𝐴𝑗 ENTÃO 𝑦 = 𝐵𝑖, em que 𝑥𝑗 representa suas entrada, 𝐴𝑗 as variáveis linguísticas impostas pelas funções pertinências de entrada, y sua saída e 𝐵𝑖, são as variáveis linguísticas impostas pelas funções pertinências de saída, enquanto que E são operadores fuzzy e SE, ENTÃO são as condições. Os antecedentes da função é composto por 𝑥𝑗, 𝐴𝑗, enquanto os consequentes são representados por y e 𝐵𝑖. Baseando-se nesse modelo, o processo de funcionamento da inferência Mamdani pode ser dividido em cincos etapas distintas.
A primeira etapa é caracterizada pela fuzzyficação das entradas. Nesta etapa é determinado o grau de pertinência de cada variável de entrada, além de transformá-las em valores entre 0 e 1. Tal processo é realizado conforme Equação (22).
𝜇𝐴1𝑘(𝑥1), 𝜇𝐴𝑘2(𝑥2), . . . , 𝜇𝐴𝑗𝑘, 𝑘 = 1, . . . , 𝑛 (22)
Em que, como mencionado anteriormente, 𝑥𝑗 é referente as variáveis de entrada e 𝜇𝐴𝑗 são as variáveis linguísticas definidas pelas funções pertinência para cada entrada. A segunda etapa é caracterizada pela aplicação dos operadores fuzzy, conforme Equação (23).
𝐷(𝑘) = min[ 𝜇𝐴1𝑘(𝑥1), 𝜇𝐴2𝑘(𝑥
2), . . . , 𝜇𝐴𝑗𝑘] (23)
O operador E (existente no antecedente) é aplicado ao utilizar um função “min” a equação (22) resultando no coeficiente de disparo 𝐷(𝑘) que é responsável por ativar cada regra. A terceira etapa se trata da aplicação do método de implicação, que corresponde a modelagem do consequente de cada regra, se baseando no coeficiente de disparo 𝐷(𝑘)
𝑆(𝑘)= min[ 𝐷𝑘, 𝜇𝐵
𝑖(𝑦)] (24)
A função “min” utilizada na equação (24) serve para truncar a saída a cada regra. A quarta etapa é caracterizada como agregação das saídas, em que cada regra trucada na etapa anterior, são agregadas para gerar a função de saída, determinado pela Equação (25).
𝜇𝐵 = max [𝑆(𝑘))] (25)
Por fim, na quinta etapa há a defuzificação, em que variáveis de entradas que foram fuzificadas na primeira etapa, retornam aos seus valores iniciais. Um dos métodos de defuzificação mais comum é o de centroide ou a média dos máximo.
4 SISTEMA DE ARMAZENAMENTO DE ENERGIA UTILIZANDO BATERIAS COM APLICAÇÃO PARA SUAVIZAÇÃO DE POTÊNCIA
Nessa seção é apresentado a descrição da ferramenta de simulação do sistema de controle do BESS para suavização de potência. A ferramenta possui dois componentes principais: (1) sistema de controle de despacho, esse sendo realizado através de regras impostas ou inferência
fuzzy; (2) sistema de previsão de potência eólica gerada, no qual é realizado pela RNA de
arquitetura NARX. Toda a ferramenta de simulação do sistema de controle do BESS para suavização de potência proposta foi construída nos softwares MATLAB e simulink.
4.1 DESENVOLVIMENTO DO SISTEMA DE CONTROLE DE DESPACHO DE POTÊNCIA